xrrrlu-CSDN博客

原创对比赛方给出的任务进行分析——天池医疗对话意图识别

IMCS-MGR 任务的目标是自动从话语中识别医生或者患者的意图，该任务的输入输出示例如下。Input（对话中的某个话语）Output（意图）医生：你好，咳嗽是连声咳吗？有痰吗？有没流鼻涕，鼻塞？

2025-03-17 16:30:40 833 1

原创《使用卷积进行泛化》第八章总结

用一个不同的线性操作替换神经网络单元中稠密的、全连接的仿射变换。实现局部模式对输出的影响，满足神经网络的平移不变性需求。大大减少模型参数数量，参数数量取决于卷积核大小和使用的卷积核（输出通道）个数，而非图像像素数量。局部性：对图像局部像素进行操作，通过核函数与输入图像局部区域做标量积运算。平移不变性：在图像不同位置使用相同核权重，保证权重在不同位置对局部模式响应一致。

2025-02-20 16:25:58 1027

其中x是输入，w是权重或比例因子，b是偏置或偏移量，f是激活函数，设为双曲正切，这里是tanh 函数。x和o可以是简单的标量，或向量值(意思是保留许多标量值),w 可以是单个标量或矩阵，而b是标量或向量(输入的维度和权重必须匹配)。一个模块可以有一个或多个参数实例作为属性，这些参数实例是torch，它们的值在训练过程中得到了优化(线性模型中的w和b)。用神经网络替代线性模型作为逼近函数，构建简单神经网络，包含线性模块和激活层，激活层增加模型容量，不同层组合产生输出值。w_0是一个矩阵，x是一个向量。

2025-02-08 13:17:31 742

原创《学习的机制》第五章总结

为计算损失对参数的导数，对于线性模型和平方损失函数，可应用链式法则计算，得到损失关于参数的导数表达式，进而定义梯度函数，返回关于参数的损失梯度。使用训练迭代（epoch）的概念，在每个迭代周期更新所有训练样本的参数，通过固定次数迭代或根据参数变化情况停止迭代，以优化模型参数。模型在训练集上损失小，但在独立的验证集上损失高，即模型在训练数据上表现好，但泛化能力差，无法在新数据上有效运行。参数，PyTorch 会跟踪该张量的操作历史，构建计算图，并自动计算梯度，梯度值存储在张量的grad属性中。

2025-02-05 15:47:21 865

原创《使用Torch表征真实数据》第四章总结

将异构数据编码为浮点数torch，如葡萄酒质量数据集（包含葡萄酒化学特征和感官质量评分）可从 GitHub 获取。

2025-01-22 01:35:58 747

原创《PyTorch基本的数据结构——张量Torch》第三章总结

在深度学习中，张量是 PyTorch 中用来表示数据的构建块，可将向量和矩阵推广到任意维度，维度与表示张量中标量值的索引数量一致。与 Python 列表不同，Python 列表是内存中单独分配的 Python 对象集合，而 PyTorch 张量或 NumPy 数组通常是连续内存块的视图，包含未装箱的 C 数字类型，存储效率更高。

2025-01-20 23:41:06 707